多媒体网络下数字视频关键帧提取方法

李春华

（蒙阴县融媒体中心，山东 临沂 276200）

导语

现如今，互联网技术以及计算机关联平台的飞速发展，为我国相关行业的进一步创新奠定了坚实的基础，同时也营造了更加符合新时代发展的社会氛围。在不同技术的结合与创新背景之下，多媒体以及智能化平台渐渐走进人们的视野，同时为人们的生活生产提供了便利。[1-2]在多媒体网络环境中，视频制作与处理是十分关键的工作，同时也是决定日常工作效果关键且重要的因素之一。多媒体网络技术的优化与完善，一定程度上可以加强数字视频的处理程度。与数字视频的处理和关键帧的提取也存在较为密切的关系。[3]

通常情况下，关键帧在视频播放的过程中并不是固定的，而是随着帧源的变化发生对应的变化，这也导致提取的范围也在不断变化，无法更好地确定应变的方案。在这样的背景环境之下，需要强化提取的质量和效率，形成更加贴合实际需求的提取结构，以此来确保最终视频的处理效果。我国传统的数字视频关键帧的提取方法主要是根据关键帧的种类做出应对的，通常情况下，视频的应用关键帧可以划分为以下两个种类，一种是静态关键帧，另一种是动态关键帧。[4]两种关键帧在提取的过程中需要的条件与环境也是不同的。一般静态视频关键帧只被应用在静止的多媒体镜头之中，用于处理、修改、优化静态镜头的呈现效果，同时帮助视频稳定画面，具有一定的维稳作用。动态关键帧在提取的过程中对镜头的要求也是十分严格的，一般被应用在变动的视频之中，提取时会根据镜头内视频变化帧的导入程度，依据特殊的格式与将动态的镜头分割对应尺寸的小型镜头，从而利用动态提取法获取到每一个分镜头的关键帧。

这些传统的方法虽然可以完成视频关键帧的提取，但是在多媒体的网络背景下，并不能完全适应使用的结构依据程序，反而产生较多的问题和缺陷，给数字视频关键帧的提取形成一定的阻碍。[5]因此，需要对多媒体网络下数字视频关键帧提取方法进行设计与创新。在较为真实的环境下，创建贴合实际的提取环境，加强对数字视频的提取模式与方法，结合视频处理的需求，创建更加灵活丰富关键帧提取方法，结合互联网、大数据技术，最大限度地降低提取误差的出现，扩大整体的应用范围，提升整体的提取效果。

1.多媒体网络下数字视频关键帧提取方法设计

1.1 进行数字视频关键帧联合熵数值确定

在对多媒体网络下数值视频关键帧提取方法设计之前，需要先确定联合熵数值的相应数值。通常情况下，在提取关键帧的过程之中，存在一个二维的随机联合变量，这个变量则是联合熵，联合熵数值的变化一定程度上决定着关键帧的执行距离，同时对提取的效果也会产生对应的影响。[6]所以，在提取的过程中，可以设定一个联合熵的嫡值变化表，先确定实际的提取范围，进行序列帧数值的确定，具体如下表1所示：

表1 序列帧数值变化表

根据表1中的数据信息，最终可以完成对序列帧数值的设定。接下来，根据序列的变化来计算出帧数的数值，具体如下公式1所示。

公式1中：T表示序列帧数值，λ表示相邻帧距离，a表示饱和函数，y表示允许出现的最大误差，通过上述计算，最终可以得出实际的联合熵数值，完成计算，为后续的提取工作奠定基础。

1.2 EMD距离控制

在完成对数字视频关键帧联合熵数值的确定之后，接下来需要进行EMD距离的实时控制。EMD距离实际上指的是对关键帧的提取，利用分布差异度来获取帧数的变化距离，最终实现高分布的应用控制。但是EMD距离的控制对最终提取的效果也存在一定的影响。首先，需要先计算出分布差异存在的误差距离，如下公式2所示：

公式2中：D表示误差距离，φ表示变化帧数向量，ω表示特征提取范围，通过上述计算，最终可以得出实际的误差距离。在上述的误差距离范围下，计算出EMD距离，并加强控制，如下公式3所示：

公式3中：M表示EMD距离，E表示联合熵二维变化差值，ℵ表示控制程度。通过上述计算，最终可以得出实际的EMD距离，完成提取控制。

1.3 多媒体网络下自适应提取模型创建

在完成EMD距离的控制后，需要进行多媒体网络下自适应提取模型的构建。[7]首先依据实际的提取需求，进行自适应结构的设计，采用多层级的网络处理模式，将提取的层级划分为初始层级、分析层级以及提取层级，每一个层级的作用均不同，且相互独立，具有一定的应用价值。但是在实际应用的过程中，也同时存在不同的联系。

所以，根据自适应提取的范围，将不同的提取画面或者图像划分在不同的层级之中，建立自适应比照体系，对于数字视频的分割需要前后做出对比，并获取存在的提取误差，根据特定的提取模式，依据误差，结合自适应提取结构，创建初始的提取模型。[8]但是需要注意的是，需要将提取的模型与多媒体网络相关联，统一模型的提取次数与网络的处理次数，形成高度适应的关键帧提取模式，利用网络将模型得出的结果进行整合优化，进一步完善模型的应用效果。

1.4 聚类法实现多媒体网络下数字视频关键帧提取

在完成对多媒体网络下自适应提取模型创建后，接下来，采用聚类法实现多媒体网络下数字视频关键帧提取。需要先对聚类提取范围进行设定，同时结合多媒体网络的数据处理模式，将视频中的关键帧依照互联网的格式导入处理系统之中，完成之后，将互联网格式整理为聚类模式，利用聚类提取模式将关键帧的数据进行整合与汇总，结合自适应的提取模型，最终完成对多媒体网络下数字视频关键帧的提取。[9]

2.方法测试

本次测试主要是对多媒体网络下数字视频关键帧提取效果进行验证与分析。测试主要划分为三个小组，一组为传统的应变描述提取法，将其设定为传统应变描述提取测试组；一组为传统的聚类特征提取法，将其设定为传统聚类特征提取测试组。最后一组为本文所设计的多媒体关键帧提取方法，将其设定为多媒体关键帧提取测试组。三组方法在相同的环境之下同时进行测试，并将最终得出的结果对比分析，完成测试。

2.1 测试准备

在进行测试之前，需要做相应的测试准备，同时搭建相对应的测试环境。选取一个多媒体网络作为测试的主要环境。准备一段视频作为测试的主要目标对象。进行数字视频的预处理，进行姿态提取范围的估计，并计算视频关键帧的网络姿态范围变化值，具体如下公式4所示：

公式4中：K表示关键帧的网络姿态范围变化值，β表示应变帧源距离，t表示姿态估计值。通过上述计算，最终可以得出实际的关键帧的网络姿态范围变化值。利用得出的数值，明确设定对应的提取范围。将视频的处理范围与关键帧变化的范围协同一致，利用初始的提取流程，并在多媒体网络之下，进行提取极限值的计算，具体如下公式5所示：

公式5中：H表示提取极限值，e表示提取极限范围，i表示提取次数，d表示变化单帧距离。通过上述计算，最终可以得出实际的提取极限值。根据得出的相关数据信息，进行初始测试提取模型的创建，并依据视频的处理需求，进行关键帧预设标准的设定，具体如下表2所示。

表2 关键帧预设标准设定表

根据表2中的数据信息，最终可以完成实际的关键帧预设标准的设定。随后，将提取过程中添加上述的标准，加强单帧运行计算的实际精准性以及可靠性。结合多媒体网络，在提取模型之中建立多媒体视频处理帧数量控制环节，根据视频帧数不同的运动向量，提取出关键帧独有的运动特征，形成特征曲线，并利用特征曲线来判别关键帧的实际运动距离，同时计算出局部提取极值点，具体如下公式6所示：

公式6中：P表示局部提取极值点，ℑ表示变化运动向量，C表示单帧特征指数，X表示特征编码。通过上述计算，最终可以得出实际的局部提取极值点，将其设定在测试的视频关键帧提取模型之中，完成对测试环境的搭建与预设。核查测试设备是否处于稳定的运行状态，并确保不存在影响测试结果的外部因素，核查无误后，开始测试。

2.2 测试过程及结果分析

在上述所搭建的测试环境之中，开始具体的测试。首先，将选取的目标测试视频依据特定的格式以及需求，分割成不同范围的小视频块，通常情况下，比照每帧图像96×72像素为标准，如果过大，则会影响单帧的运行聚焦点，过小也无法满足提取的条件，增加提取的复杂度，使提取的效果受到影响的同时，还会造成大面积的关联提取误差的出现。[10]设置R=C=6，每一个视频分割块的大小均为32×20像素，为了确保测试结果的准确可信性，测试所使用的视频或者图像均设置为灰度，并且灰度值保持一致。利用提取模型将视频的分割块依次操作提取，设定提取极限值为-1.25和+12.74，分割次数为26次，最终得出测试的结果，对其进行对比分析，如下表3所示：

表3 测试结果对比分析表

根据表3中的数据信息，最终可以完成对测试结果的对比与分析：在不同的提取单元长度情况下，对比传统的应变描述提取测试组以及传统聚类特征提取测试组，本文所设计的提取方法最终得出的提取冗余值相对较低，表明在多媒体网络背景下，数字视频的关键帧提取效果更佳，具有实际的应用价值。

结语

综上所述，便是对多媒体网络数字视频关键帧提取方法进行的设计与分析。其实，传统的视频关键帧提取方法虽然可以完成预期的任务，但是并不能处理提取过程中相对细节的问题，对存在的异常情况，也不能更好地解决。而对比传统的方法，本文所设计的提取方法相对灵活，并且可以将相邻帧的相关性保持最大化，设立多层级的提取目标，在关键帧的变化范围之内，利用多媒体网络，实现层级控制处理，以此确定镜头关键帧的数量和位置，扩大提取的实际范围，进而提升整体的提取效果，增强关键帧变化的稳定性，促使相关技术迈入新的发展台阶。